美敦力开发了植入式心脏监护仪，可实现连续 ECG 监测，以检测心房颤动（AF）等疾病。检测房颤在临床上非常重要，因为它可以预防中风和心力衰竭，但房颤的间歇性和无症状性使得准确的长期监测极具挑战性。虽然现有的设备算法实现了高灵敏度，但它们也产生了大量的假阳性结果，导致医生每年需要花费数百小时进行人工审查。
为了应对这一挑战，该团队使用 MATLAB® 快速构建了一个基于 AI 的后处理解决方案的原型并对其进行了基准测试。他们将 ECG 特征（如 Lorenz 图、P 波形态、心房率估计和 RR 间期变异性）组合成单个转换后的图像，然后使用 Deep Learning Toolbox™ 和 Parallel Computing Toolbox™ 训练了一个简单的卷积神经网络。仅仅三周时间，他们就开发出了一个模型，该模型将房颤的错误检测率降低了 90% 以上，而真实阳性检出率的损失极小，从而提高了临床工作流程的效率。
“MATLAB 使我们能够非常简单地完成这项工作，学习整个流程，并能以一种非常高效的方式置入模型并进行评估。因为你同时拥有 Parallel Computing Toolbox 和 Deep Learning Toolbox，并且你可以将它们组合在一起。”
—— Shantanu Sarkar，美敦力
- 美敦力使用 MATLAB 和 Deep Learning Toolbox，仅用三周时间就创建并验证了一个高性能 AI 模型，验证准确率达到 97%。
- 美敦力利用 MATLAB 进行信号处理和特征工程，开发了一套基于 ECG 房颤特征的定制化特征集成。
- 美敦力将房颤的假阳性检测率降低了 90% 以上，最大限度地减少了医生的审查时间。
关注 MATLAB 公众号 ↓↓↓
